基于能见度检测的视觉空气质量估计

一、项目介绍

本项目提出基于视觉空气质量的研究计划，旨在开发相应的算法，从图像数据中提取能见度及其他特征信息，并依靠机器学习等方法估计图像特征信息与城市区域空气质量之间的关系。相对于现有的城市空气质量监控方法，本项目提出的途径具有估测结果简单直观、观测范围大、数据时空信息丰富、布置成本低、易于大批量使用等众多优点，有望成为现有空气质量监测方法的一种重要补充。

二、项目研究内容及成果

1.数据库搭建：我们与北京一目了然NGO中心建立长达5年的合作关系，收集中国26个城市75个观测点共计4444张场景图像建立数据库VAQI-1。该数据库是目前已公开的最大的用于空气质量检测的场景图像数据库

VAQI-1部分示例图片

VVAQI-1中不同空气质量等级的图像数量统计

2.基于单幅图像估计场景空气质量：基于大气物理学基本假设，我们可以计算无污染空气质量下的理想大气消光系数。通过引入图像去雾技术计算该场景任意空气质量的透射率及无污染空气质量透射率，并结合已得的无污染空气质量下大气消光系数值可得该场景任意空气质量下大气消光系数，进而得到对应的能见度值。实验证明，该方法首次实现了依靠拍摄信息实现对单一图像求能见度，无需复杂的辅助信息，且有较强的创新性。该成果已发表EI会议论文一篇，申请发明专利一项

能见度估计结果示例

3.基于图像特征信息估计场景空气质量：本项目基于VAQI-1数据库，分别提取图像视觉特征（ SIFT 特征、HOG 特征、LBP 特征、色彩饱和度、颜色直方图以及对比度）、能见度特征及基于卷积神经网络（LeNet 模型、AlexNet 模型、VGG 模型、GoogLeNet 模型和 ResNet 模型）提取的深度特征，利用多分类支持向量机方法研究这些视觉特征与场景空气质量的关系。实验结果证明，利用 fine-tuned GoogLeNet 模型提取的深度特征进行空气质量等级估计准确率达到 76%。这个结果不仅优于其他基于深度特征的空气质量等级估计方法，同时也优于所有基于视觉特征和能见度特征的空气质量等级估计方法。这充分证明了这类深度特征最能贴合空气质量像机理。该成果已申请发明专利一项。

基于图像特征的空气质量等级分类框架

不同图像特征实验结果对比

版权声明

请尊重我们的原创作品，转载时请标注文章的原始出处和作者信息。如果您有任何问题或想法想和我们进行沟通，请您使用页面下方的邮件或电话进行联系。